‏Ornith-1.5 122B: مدل باز با لایسنس MIT که تو کدنویسی از غول‌ها جلو زده

Ornith-1.5 122B یه مدل open-weight از تیم Ornith هست که با لایسنس MIT منتشر شده، یعنی هر کسی می‌تونه دانلودش کنه، اجراش کنه و تغییرش بده. مدل از نوع mixture-of-experts (MoE) هست، یعنی برای هر توکن فقط بخشی از پارامترها فعال می‌شن و اجراش ارزون‌تر از یه مدل dense هم‌اندازه درمیاد. حدود ۱۲۲ میلیارد پارامتر داره، قبل از جواب دادن فکر می‌کنه، تصویر هم می‌فهمه و پنجره‌ی context حدود ۲۶۰ هزار توکنی داره.

این مدل روی نسل قبلی یعنی Ornith-1.0 ساخته شده که خودش از Qwen3.5 و Gemma4 اومده بود. فرق نسل ۱.۵ یه حلقه‌ی خودبهبودیه که ساختن تسک، ابزارهای ایجنت و جواب‌ها رو با هم بهینه می‌کنه، به‌جای اینکه فقط به تسک‌های ثابتی که آدم‌ها آماده کردن تکیه کنه. شعار model card هم «قوی‌تر، سریع‌تر، سبک‌تر» هست، یعنی دنبال کردن بهتر دستورها، خروجی کوتاه‌تر و تموم کردن سریع‌تر کار.

قوی‌ترین عددها مال کدنویسیه. تو SWE-bench Pro نسخه‌ی no-hack (یعنی جواب‌هایی که با میانبر تست‌ها رو پاس می‌کنن حساب نمی‌شن) امتیاز ۷۶.۹ گرفته. این از Qwen3.8 dense با ۶۵.۵، Nemotron 3.5 Super VL با ۶۱ و حتی مدل Beam با ۵۰۱ میلیارد پارامتر و امتیاز ۵۷ خیلی بالاتره. تو SWE-bench Verified با ۸۴.۵ و Multilingual با ۷۶.۴ هم اوله. تنها جایی که تو کدنویسی اول نیست TerminalBench 2.1 هست که با ۸۱.۲ پشت Qwen3.8-Flash-Next با ۸۳.۴ می‌مونه. تو NL2Repo هم DeepSeek-V4-Flash با ۵۴.۲ در برابر ۵۱.۲ جلوتره.

تو استدلال، فاصله‌ی اندازه خودش رو نشون می‌ده. تو HLE با ابزار ۴۸ گرفته که از مدل‌های هم‌اندازه بهتره، ولی پشت DeepSeek-V4-Flash (۲۸۴ میلیارد پارامتر) با ۵۰.۸ و Beam با ۵۱.۱ هست. در عوض تو SciCode با ۵۳.۸ از همه جلوتره. به گفته‌ی مقاله، این نشون می‌ده مدل بیشتر برای استدلال کاربردی و مرتبط با کد تنظیم شده تا سؤال‌های امتحانی که دانش زیاد می‌خوان.

تو بنچمارک‌های ایجنتی هم همیشه اول نیست ولی نزدیکه: BrowseComp با ۷۸.۵ و WideSearch با ۷۵.۲، هر دو کمی پشت Beam. تو MCP-Atlas (فراخوانی ابزار از طریق Model Context Protocol) با Beam روی ۷۴.۶ مساوی شده. نویسنده می‌گه حرف اصلی model card همینه: عملکرد ایجنتی نزدیک به مدل‌های دو تا چهار برابر بزرگ‌تر، که برای هزینه و میزبانی محلی مهمه. تست عملی با llama.cpp هم این رو تأیید کرده: مدل یه باگ یک‌خطی مقایسه‌ی تاریخ تو یه اپ محاسبه‌ی ارث رو بدون راهنمایی پیدا و درست کرده. ترجمه به زبان‌های کم‌منبع مثل تایلندی و زولو ولی ضعیف بوده.

نکات کلیدی:

• لایسنس MIT، معماری MoE، حدود ۱۲۲ میلیارد پارامتر و context حدود ۲۶۰ هزار توکن
• SWE-bench Pro (no-hack): ۷۶.۹ در برابر ۵۷ برای Beam با ۵۰۱ میلیارد پارامتر
• SWE-bench Verified: ۸۴.۵ و SWE-bench Multilingual: ۷۶.۴، هر دو اول جدول
• HLE با ابزار: ۴۸، پشت DeepSeek-V4-Flash با ۵۰.۸ و Beam با ۵۱.۱
• ترجمه برای زبان‌های کم‌منبع مثل تایلندی و زولو ضعیفه